EITC/AI/TFQML TensorFlow量子机器学习

量子计算始于1980年代初，当时物理学家Paul Benioff提出了图灵机的量子力学模型。 理查德·费曼（Richard Feynman）和尤里·马宁（Yuri Manin）后来提出，量子计算机具有模拟经典计算机无法实现的功能的潜力。 1994年，彼得·索尔（Peter Shor）开发了一种量子因式分解算法，该算法可以解密RSA加密的通信。 尽管自1990年代后期以来一直在进行实验性进展，但大多数研究人员认为“容错量子计算仍然是一个遥不可及的梦想”。 近年来，公共和私营部门对量子计算研究的投资都在增加。 23年2019月XNUMX日，谷歌AI与美国国家航空航天局（NASA）合作，声称已经执行了任何经典计算机都无法实现的量子计算（所谓的量子霸权结果）。

量子计算机（或更确切地说，量子计算系统）有几种模型，包括量子电路模型，量子图灵机，绝热量子计算机，单向量子计算机和各种量子细胞自动机。 使用最广泛的模型是量子电路。 量子电路基于量子比特或“量子比特”，它与经典计算中的比特有些相似。 量子位可以处于1或0的量子状态，也可以处于1和0的状态的叠加。 但是，当测量qubit时，测量结果始终为0或1；否则，结果为XNUMX。 这两个结果的概率取决于量子位在测量前所处的量子状态。

建立物理量子计算机的进展集中在跨界子，离子阱和拓扑量子计算机等技术上，这些技术旨在创建高质量的量子位。 这些量子位的设计可能有所不同，具体取决于完整的量子计算机的计算模型，无论是量子逻辑门，量子退火还是绝热量子计算。 当前，在构造有用的量子计算机的方式中存在许多重大障碍。 特别地，由于量子位遭受量子去相干和状态保真度的困扰，因此难以维持量子位的量子状态。 因此，量子计算机需要纠错。 可以由经典计算机解决的任何计算问题也可以由量子计算机解决。 相反，至少在原则上给定足够的时间，量子计算机可以解决的任何问题也可以由经典计算机解决。 换句话说，量子计算机服从了Church-Turing的论文。 尽管这意味着在可计算性方面，量子计算机没有提供比传统计算机更多的优势，但是用于某些问题的量子算法的时间复杂度明显低于相应的已知经典算法。 值得注意的是，量子计算机被认为能够快速解决某些传统计算机无法在任何可行的时间内解决的问题，这一壮举被称为“量子至上”。 关于量子计算机的问题的计算复杂性的研究被称为量子复杂性理论。

在2019年，美国梧桐在200秒内完成了一项任务，谷歌在《自然》杂志上声称，这将需要一万台先进的超级计算机才能完成。 因此，谷歌声称已经实现了量子霸权。 为了估算经典超级计算机所需的时间，Google在全球最强大的经典计算机Summit上运行了部分量子电路仿真。 后来，IBM提出了反驳，声称在像Summit之类的经典系统上，该任务仅需10,000天。 如果Google的主张得到支持，那么它将代表计算能力的指数级飞跃。

2020年12月，为Google工作的量子工程师报告了量子计算机上最大的化学模拟-与Sycamore的Hartree-Fock近似与经典计算机配对，后者对结果进行分析以提供XNUMX量子位系统的新参数。

2020年76月，由中国科学技术大学开发的基于中国光子的九章处理器实现了10量子位的处理能力，比美国梧桐快XNUMX亿倍，使其成为第二台实现量子至上性的计算机。

Google Research在16年2013月XNUMX日的博客文章中宣布了Quantum AI Lab。在启动时，该实验室使用的是最先进的商用量子计算机，即D-Wave Systems的D-Wave Two。

20年2013月10日，人们宣布可以在实验室的D-Wave Two上申请使用时间。 2013年18月2013日，Google发布了一部短片，描述了Quantum AI Lab的当前状态。 XNUMX年XNUMX月XNUMX日，Google宣布已将量子物理学纳入Minecraft。

2014年2月，Google报告了在实验室中将D-Wave Two与传统计算机的性能进行比较的结果。 结果模棱两可，引起了互联网上的激烈讨论。 2014年XNUMX月XNUMX日，我们宣布，量子AI实验室将与加州大学圣塔芭芭拉分校（UC Santa Barbara）合作，发起一项创建基于超导电子学的量子信息处理器的计划。

23年2019月XNUMX日，量子AI实验室在一篇论文中宣布已实现量子至上。

量子计算被认为有助于包括AI在内的未来创新的发展。 这就是Google投入大量资源来构建专用量子硬件和软件的原因。

量子计算是一种新的范例，它将在加速AI任务中发挥重要作用。 Google旨在为研究人员和开发人员提供开放源代码框架和计算能力，这些功能和功能可以超越传统的计算能力。

Google AI Quantum的主要重点领域是

• 超导量子位处理器：超导量子位具有基于芯片的可扩展架构，目标是两个量子位门限误差<0.5％。
• 量子比特计量：将两个量子比特的损失降低到0.2％以下对于纠错至关重要。 我们正在开展量子至上性实验，以对超出先进的经典计算机和算法能力的量子电路进行近似采样。
• 量子模拟：物理系统的模拟是量子计算最令人期待的应用之一。 我们尤其专注于量子算法，用于对相互作用的电子系统进行建模，并应用于化学和材料科学领域。
• 量子辅助优化：我们正在开发用于近似优化的混合量子经典求解器。 可以通过调用量子更新来增强经典算法中克服能垒的热跃迁。 我们对连贯的人口转移特别感兴趣。
• 量子神经网络：我们正在开发一个框架，以在近期处理器上实现量子神经网络。 我们有兴趣了解在网络运行期间生成大量叠加状态可能带来哪些优势。

Google AI Quantum开发的主要工具是专门设计用于开发新颖的量子算法的开放源代码框架，以帮助解决实际问题的近期应用。 这些包括：

• Cirq：一个开放源代码的量子框架，用于在短期量子处理器上构建和试验带噪的中间尺度量子（NISQ）算法
• OpenFermion：一个开放源代码平台，用于将化学和材料科学中的问题转换为可以在现有平台上执行的量子电路

Google AI Quantum近期应用程序包括：

量子模拟

通过精确的化学模拟和凝聚态模型来设计新材料和阐明复杂的物理学是量子计算最有希望的应用之一。

错误缓解技术

我们致力于在实现全面量子误差校正的道路上开发能够显着降低当前设备噪声的方法。 虽然全面的容错量子计算可能需要大量发展，但我们已经开发了量子子空间扩展技术，以帮助利用量子纠错技术来提高近期设备上的应用性能。 此外，这些技术有助于在短期设备上测试复杂的量子代码。 我们正在积极地将这些技术推向新的领域，并利用它们作为近期实验设计的基础。

量子机器学习

我们正在开发近期量子设备上的混合量子经典机器学习技术。 我们正在研究用于量子和经典数据分类和聚类的通用量子电路学习。 我们还对生成性和判别性量子神经网络感兴趣，这些神经网络可以用作量子通信网络中的量子转发器和状态净化单元，或用于其他量子电路的验证。

量子优化

航空航天，汽车和其他行业中的离散优化可能会受益于混合量子经典优化，例如，模拟退火，量子辅助优化算法（QAOA）和量子增强的种群转移在当今的处理器中可能会有用。